CN111007540A - 用于预测传感器误差的方法和装置 - Google Patents
用于预测传感器误差的方法和装置 Download PDFInfo
- Publication number
- CN111007540A CN111007540A CN201910938639.7A CN201910938639A CN111007540A CN 111007540 A CN111007540 A CN 111007540A CN 201910938639 A CN201910938639 A CN 201910938639A CN 111007540 A CN111007540 A CN 111007540A
- Authority
- CN
- China
- Prior art keywords
- sensor
- data
- error
- vehicle
- machine learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000010801 machine learning Methods 0.000 claims abstract description 74
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims description 45
- 230000015654 memory Effects 0.000 claims description 31
- 238000003860 storage Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 description 37
- 238000004891 communication Methods 0.000 description 26
- 238000010586 diagram Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 19
- 238000000605 extraction Methods 0.000 description 17
- 239000000523 sample Substances 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 8
- 238000001125 extrusion Methods 0.000 description 8
- 230000004927 fusion Effects 0.000 description 5
- 230000004807 localization Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000009897 systematic effect Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 239000002096 quantum dot Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000135 prohibitive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/23—Testing, monitoring, correcting or calibrating of receiver elements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/14—Receivers specially adapted for specific applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/396—Determining accuracy or reliability of position or pseudorange measurements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/40—Means for monitoring or calibrating
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/497—Means for monitoring or calibrating
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
- H04N17/002—Diagnosis, testing or measuring for television systems or their details for television cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Automation & Control Theory (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Navigation (AREA)
Abstract
本发明涉及用于预测传感器误差的方法和装置。提出了一种对传感器误差进行预测分类的方法。例如,该方法包括从至少一个传感器接收传感器数据,所述传感器数据采集于地理位置。该方法还包括从传感器数据、表示地理位置的地图数据或其组合中提取输入特征集。该方法还包括使用机器学习模型处理输入特征集,以计算在地理位置运行的目标传感器的预测传感器误差。例如,所述机器学习模型已通过地面真值传感器误差数据进行训练,以利用输入特征集来计算预测传感器误差。
Description
技术领域
本发明涉及用于预测传感器误差的方法和装置。
背景技术
自动驾驶已迅速成为汽车制造商以及导航/地图服务提供商关注的领域。一个特别令人关注的领域是定位技术的发展,其用于以足够支持自动驾驶的精度来确定车辆位置和/或方向(例如,车辆姿态)。例如,自动驾驶一般要求厘米级或更高的精度,以确保安全操作。传统的定位通常依赖于位置传感器(例如,使用全球定位系统(GPS)或类似物的传感器),其安装在车辆或相关装置上(例如便携式或嵌入式导航设备、智能手机等)。然而,传统的GPS或类似的传感器可能容易受到误差的影响,这些误差对定位精度有很大的影响。因此,服务提供商和制造商面临着重大的技术挑战,对传感器误差进行表征然后计算,以提高定位精度和/或速度。
发明内容
因此,需要一种预测传感器误差(如位置传感器误差)的方法。
根据一个实施方式,一种预测传感器误差的方法包括从至少一个传感器接收传感器数据,该传感器数据采集于地理位置。该方法还包括从传感器数据、表示地理位置的地图数据或其组合中提取输入特征集。该方法还包括使用机器学习模型对输入特征集进行处理,以计算在地理位置运行的目标传感器的预测传感器误差。所述机器学习模型,例如,已通过地面真值传感器误差数据进行训练,训练其利用输入特征集来计算预测传感器误差。
根据另一个实施方式,一种用于预测传感器误差的装置,包括至少一个处理器和至少一个存储器,所述至少一个存储器包括用于一个或多个计算机程序的计算机程序代码,所述至少一个存储器和计算机程序代码被配置为,与至少一个处理器一起,使得或至少部分地使得所述装置从至少一个传感器接收传感器数据,该传感器数据采集于地理位置。该装置还可从传感器数据、表示地理位置的地图数据或其组合中提取输入特征集。该装置还可利用机器学习模型对输入特征集进行处理,来计算在地理位置运行的目标传感器的预测传感器误差。所述机器学习模型,例如,已通过地面真值传感器误差数据,训练其利用输入特征集计算预测传感器误差。
根据另一个实施方式,一种用于预测传感器误差的非暂时性计算机可读存储介质承载一个或多个指令的一个或多个序列,所述指令在由一个或多个处理器执行时,使得或至少部分地使得装置从至少一个传感器接收传感器数据,该传感器数据采集于地理位置。该装置还可从传感器数据、表示地理位置的地图数据或其组合中提取输入特征集。该装置还可利用机器学习模型对输入特征集进行处理,以计算在地理位置运行的目标传感器的预测传感器误差。所述机器学习模型,例如,已通过地面真值传感器误差数据,训练其利用输入特征集计算预测传感器误差。
根据另一个实施方式,一种用于预测传感器误差的装置包括用于从至少一个传感器接收传感器数据的构件,该传感器数据采集于地理位置。该装置还包括从传感器数据、表示地理位置的地图数据或其组合中提取输入特征集的构件。该装置还包括使用机器学习模型处理输入特征集的构件,以计算在该地理位置运行的目标传感器的预测传感器误差。例如,所述机器学习模型已通过地面真值传感器误差数据,训练其利用输入特征集计算预测传感器误差。
根据一个实施方式,一种用于预测传感器误差的方法包括采集用于地理区域的地面真值传感器误差数据。地面真值传感器数据包括从被标以地面真值传感器误差值的传感器数据、地图数据或其组合中提取的训练特征集。该方法还包括利用地面真值传感器数据训练机器学习模型,以从输入特征集中计算预测传感器误差。输入特征集是从传感器数据中提取出来的,所述传感器数据随后采集于地理位置,对此地理位置计算目标传感器的预测传感器误差。
根据另一个实施方式,一种用于预测传感器误差的装置,包括至少一个处理器,和至少一个存储器,其包括用于一个或多个计算机程序的计算机程序代码,所述至少一个存储器和计算机程序代码被配置为,与至少一个处理器一起,使得或至少部分地使得所述装置采集用于地理位置的地面真值传感器误差数据。所述地面真值传感器数据包括从被标以地面真值传感器误差值的传感器数据、地图数据或其组合中提取出来的训练特征集。该装置还可利用地面真值传感器训练机器学习模型,以从输入特征集计算预测传感器误差。输入特征集是从传感器数据中提取出来的,所述传感器数据随后采集于地理位置,对此地理位置计算目标传感器的预测传感器误差。
根据另一个实施方式,一种用于预测传感器误差的非暂时性计算机可读存储介质承载一个或多个指令的一个或多个序列,所述指令在由一个或多个处理器执行时,使得或至少部分地使得装置采集用于地理位置的地面真值传感器误差数据。所述地面真值传感器数据包括从被标以地面真值传感器误差值的传感器数据、地图数据或其组合中提取出来的训练特征集。该装置还可利用地面真值传感器训练机器学习模型,以从输入特征集来计算预测传感器误差。输入特征集是从传感器数据中提取出来的,所述传感器数据随后采集于地理位置,对此地理位置计算目标传感器的预测传感器误差。
根据另一个实施方式,一种用于预测传感器误差的装置包括用于采集地理位置的地面真值传感器误差数据的构件。所述地面真值传感器数据包括从被标以地面真值传感器误差值的传感器数据、地图数据或其组合中提取出来的训练特征集。该装置还包含利用地面真值传感器训练机器学习模型的构件,以从输入特征集来计算预测传感器误差。输入特征集是从传感器数据中提取出来的,所述传感器数据随后采集于地理位置,对此地理位置计算目标传感器的预测传感器误差。
此外,对于本发明的各种示例实施方式,适用于如下:一种方法包括促进处理和/或处理(1)数据和/或(2)信息和/或(3)至少一个信号,所述(1)数据和/或(2)信息和/或(3)至少一个信号,基于或至少部分地基于(或至少部分地来自)任意一个或任意组合的方法(或流程),其与本发明的任意实施方式相关并在本申请中被公开。
对于本发明的各种示例实施方式,还适用于如下:一种方法包括促进接入至少一个接口,其被配置为允许访问至少一个服务,所述至少一个服务被配置为执行本申请中公开的网络或服务提供商的方法(或流程)中的任意一个或任意组合。
对于本发明的各种示例实施方式,还适用如下:一种方法包括促进创建和/或促进修改(1)至少一个设备用户界面元素和/或(2)至少一个设备用户界面功能,(1)至少一个设备用户界面元素和/或(2)至少一个设备用户界面功能,基于或至少部分地基于,数据和/或信息和/或至少一个信号,所述数据和/或信息来自一个或任何组合的方法或流程,其与本发明的任意实施方式相关并在本申请中被公开,所述至少一个信号,来自一个或任何组合的方法(或流程),其与本发明的任意实施方式相关并在本申请中被公开。
对于本发明的各种示例实施方式,还适用如下:一种方法包括促进创建和/或修改(1)至少一个设备用户界面元素和/或(2)至少一个设备用户界面功能,(1)至少一个设备用户界面元素和/或(2)至少一个设备用户界面功能,基于或至少部分地基于,数据和/或信息和/或至少一个信号,所述数据和/或信息来自一个或任何组合的方法(或流程),其与本发明的任意实施方式相关并在本申请中被公开,所述至少一个信号,来自一个或任何组合的方法(或流程),其与本发明的任意实施方式相关并在本申请中被公开。
在各种示例实施方式中,方法(或流程)可以在服务提供商端或移动设备端或服务提供商和移动设备之间以任何共享方式,在双方执行操作来实现。
对于各种示例实施方式,适用如下:一种装置,其包括执行任意权利要求的方法的构件。
本发明的其他方面、特征和优点很容易从以下详细描述中看出,只需对若干特定的实施例和实施方式进行说明,包括为实施本发明而设想的最佳模式。本发明还可以有其他不同的实施方式,其若干细节可以在各种明显方面进行变形,所有变形均不偏离本发明的主旨和范围。因此,附图和描述应被视为说明性质,而不是限制性的。
附图说明
本发明的实施方式是通过示例的方式,而非限制性方式,以附图中的多幅图进行说明:
图1是根据一个实施方式能够预测传感器误差的系统的图;
图2是根据一个实施方式说明基于预测传感器误差减少定位搜索空间的示例的图;
图3是根据一个实施方式的地图平台的组件图,包括用于预测传感器误差的机器学习模型;
图4是根据一个实施方式训练机器学习模型来预测传感器误差的过程的流程图;
图5是说明根据一个实施方式装有传感器的车辆的示例的图,该传感器支持利用机器学习来预测传感器误差;
图6是根据一个实施方式使用机器学习模型来预测传感器误差的过程的流程图;
图7A和7B是说明根据一个实施方式将机器学习模型部署到车辆以预测传感器误差的示例的图;
图8是根据一个实施方式的地理数据库的图;
图9是可实现本发明实施方式的硬件的图;
图10是可用于实现本发明实施方式的芯片组的图;和
图11是可用于实现本发明实施方式的终端的图。
具体实施方式
公开了用于预测传感器误差的方法、装置和计算机程序的示例。在下面的描述中,为了便于解释,列出了大量的具体细节,以便对本发明的实施方式有一个全面的了解。然而,对于本领域技术人员来说,很明显,本发明的实施方式可以在没有这些具体细节或以等效的安排实施。在其他情况下,为了避免不必要地模糊本发明的实施方式,已知的结构和设备以框图形式显示。
图1是根据一个实施方式能够预测传感器误差的系统的图。如上所述,本文描述的各种实施方式广泛地涉及自动驾驶,特别是使用传感器数据的车辆定位。然而,可设想的是,所述实施方式还适用于任何其他类型的定位应用(例如,设备定位),以及任何其他类型的传感器数据(例如,用于检测任何其他物理属性或特征的采集的传感器),对于这些数据,误差将被预测。关于车辆定位,为了准确定位车辆101,可以采用一种被称为定位(localizing)的机器人技术或自动化技术。例如,在定位过程中,车辆的位置和/或朝向方向(例如,车辆的姿态)可以从车辆101的各种传感器中获得。如图1所示,车辆101可以配备各种传感器,包括但不限于位置传感器103(例如,配置为处理来自定位卫星119——例如,全球定位系统(GPS)的信号)和其他传感器105(例如,摄像传感器、激光雷达传感器、雷达传感器等),以协助在地图109上正确定位车辆101。
准确地在地图上确定车辆101的位置,使在精细和粗略的尺度上规划路线成为可能。在粗略尺度上,导航地图(例如,地理数据库113提供的数字地图)使得车辆101知道使用哪条道路以到达特定目的地。然而,在精细尺度上,数字地图使得车辆101知道应该在哪条车道上行驶,以及何时改变车道(例如,车道级别的定位)。了解这些信息对于规划有效和安全的路线非常重要。这是因为,在复杂的驾驶情况下,车辆101可能需要快速执行熟练动作(例如变道),有时在情况对司机或乘客明显之前。
在车道定位方面,以及通常地在自动驾驶方面,都需要对车辆101进行高精度和实时的定位。传统上,大多数车辆导航系统都是使用基于GPS的位置传感器103来实现定位,该传感器通常提供一个95%置信区间为7.8米的实时位置。然而,在复杂的城市环境中,GPS信号的反射会进一步增加这种误差,以至于一个位置可能会偏离30米那么多。换句话说,如那些基于GPS或类似物的原始传感器读数的挑战在于,系统误差会导致位置传感器103的读数不准确,所述系统误差是由于在例如城市峡谷等地区的多路径反射而产生。考虑到许多车道的宽度为3-4米,这一精度不足以正确定位车辆101(例如,自动驾驶车辆),使其能够做出安全的路线规划决策。虽然使用其他传感器105(如惯性传感器(INS)或惯性测量单元(IMU))的传感器融合通过考虑车辆运动,可以提高定位的准确性,但导致传感器干扰的城市峡谷或其他类似地形的系统误差可能导致错误定位车辆101,偏离其真实位置多达几个街区。
一般来说,在许多方面(如安全自动驾驶)的安全驾驶需要10厘米左右或更高的定位精度。传统上,为了解决在挑战地形(如密集的城市峡谷)中容易出错的GPS定位数据的技术问题,可以使用两个GPS传感器计算一个差分传感器读数,其针对系统偏差或传感器误差。然而,维护多个位置传感器以支持差分传感器读数可能会增加管理成本(例如既在技术资源方面也在金钱成本方面)。
为了解决这些技术挑战,图1中的系统100引入了一种完全自动化的能力,使用地图平台117的机器学习模型115(例如,经过训练的神经网络或类似物),在被评估的位置预测传感器误差的存在。在一个实施方式中,机器学习模型115可以处理来自车辆101的其他传感器的传感器读数和/或表示位置的地图数据,以计算该车辆101的位置传感器103或其他目标传感器的预测传感器误差。在一个实施方式中,例如当使用传感器融合时,预测传感器误差可以用作用于定位的传感器误差先验(error prior)。如图2所示,系统100可以利用预测传感器误差先验,以保证定位器更快的收敛,从而加速相对于地图的车辆定位。如上所述,传感器融合除了使用GPS传感器数据外,还使用多种类型的传感器数据(如激光雷达、摄像图像等)来尝试定位车辆101。然后计算每种传感器的各自的搜索空间(例如,对应于车辆预测位置的区域)。于是,收敛是指在不同的搜索空间中找出一个共同的位置,其最可能代表车辆101的真实位置。
图2的例子说明了第一场景201,其中车辆101行驶在道路203上,该道路紧挨着建筑物205,这可能会导致车辆101的位置传感器(例如GPS传感器)出现多路径问题。在第一场景201中,系统100确定用于定位车辆101的搜索空间207,不考虑任何预测的传感器先验。相反,在示出的第二场景209中,系统100根据本文描述的各种实施方式预测传感器误差先验或传感器误差。换句话说,传感器数据(例如,从除位置传感器以外的车辆传感器(例如但不限于摄像头、激光雷达等)采集的数据)输入至经过训练的机器学习模型115,以得到GPS传感器误差,作为模型115的输出。GPS传感器误差随后被用作地图误差先验,其通过减小搜索空间211(例如,相对于第一场景201中的搜索空间207减小)而加快定位器的收敛,使更快的车辆定位得以实现。在这种情况下,在预测误差传感器先验时,可以至少部分基于训练机器学习模型115以将环境建筑物(例如楼宇205的存在)考虑在内来减小搜索空间211。例如,减小搜索空间211可以是机器学习模型115“学习”(例如,通过地面真值训练数据)车辆101通常不会占用与楼宇或其他类似建筑物相同的物理空间。
在一个实施方式中,经过训练的机器学习模型115可以通过通信网络部署在地图平台117中的服务器侧和/或地图模块121中的车辆101本地。因此,在系统100中,地图平台117和/或地图模块121可以使用机器学习来执行与预测传感器误差相关的功能。根据本发明所述的各种实施方式,如图3所示,地图平台117和/或地图模块121包括用于预测传感器误差的一个或多个部件。可预期的是,这些部件的功能可以组合或由具有同等功能的其他部件执行。在本实施方式中,地图平台117和/或地图模块121包括特征提取模块301、训练模块303、误差预测模块305、定位器307和机器学习模型115。上述地图平台117和/或地图模块121的模块和部件可以用硬件、固件、软件或它们的组合来实现。虽然在图1被描绘成独立的实体,可预期的是,地图平台117和/或地图模块121可以作为系统100的任意部件(例如,车辆101,服务平台125,服务平台125中的任意服务127a-127m等等)的模块被实现。在另一个实施方式中,模块301-307中的一个或多个和/或机器学习模型115可以作为基于云的服务、本地服务、本地应用程序或其组合被实现。下面会基于图4至图9讨论地图平台117和/或地图模块121的功能。
图4是根据一个实施方式训练机器学习模型115以预测传感器误差的过程的流程图。在各种实施方式中,地图平台117和/或地图模块121(例如,单独或组合)可执行过程400的一个或多个部分,并可在如图10所示的包括处理器和存储器的芯片组中被实现。照此,地图平台117、地图模块121和/或其任何其部件模块可以提供完成过程400的各个部分的构件,以及提供与系统100的其他组件一起完成本文描述的其他过程的实施方式的构件。此外,单独描述涉及地图平台117或地图模块121中任何一个的功能/操作的实施方式也同样适用于另一个。虽然过程400被说明和描述为一系列步骤,可预期的是,过程400的各种实施方式可以以任何顺序或组合执行,并且不需要包含所有说明的步骤。
在步骤401中,特征提取模块301采集地理区域的地面真值传感器误差,其中地面真值传感器误差包括由训练特征集,其从被标以地面真值传感器误差值的传感器数据、地图数据或其组合中提取出来。更具体地说,在一个实施方式中,为了采集训练数据或地面真值,地图平台117利用,诸如但不限于之前生成的数字地图数据(例如,存储在地理数据库113中的高清(HD)地图数据)的资源,以及从穿过感兴趣的地理区域(例如密集的城市区域)的车辆101上采集的探测或轨迹数据。
图5是说明车辆501示例的图,根据一个实施方式,该车辆装有传感器,来支持采集用于传感器误差的机器学习的训练或地面真值。如图所示,车辆501配备了位置传感器503(如GPS接收器)和其他传感器,诸如但不限于摄像传感器505和激光雷达传感器507。当车辆501在被测区域行驶时,车辆501可以开始从位置传感器503获取位置数据,从摄像传感器505获取图像数据,从激光雷达传感器507获取三维网格数据。位置数据(例如,包含位置和/或方向的车辆姿态数据)可以用典型的消费级位置传感器(例如,单个GPS接收器对产生差分GPS读数的多个接收器)采集,这些传感器容易产生潜在的系统误差。如上所述,系统误差可由来自建筑物、楼宇、地形等的多路径反射(如图5所示的建筑物509)引起。获取的传感器数据然后可用采集的时间进行时间戳,从而生成表示捕获数据的数据记录。例如,数据记录(例如探测点)可以包括但不限于以下数据字段:<采集时间>,<位置/车辆姿态数据>,<图像数据>,<激光雷达网格数据>。由于这些车辆在感兴趣的地理区域内行驶和采集探测数据(如传感器数据),探测或传感器数据可以通过地图平台117的特征提取模块301被采集,以用作训练数据。
为了解决这些局限性,特征提取模块301可以自动生成地面真值传感器误差值,通过使用更多的计算密集型定位器,其能够更多地执行更准确的传感器融合(例如,融合位置数据、图像数据、网格数据、和/或任何其他采集的传感器数据),来以更高的精度定位相应的采集车辆。由于计算密集型定位器使用传感器融合算法,其需要大量计算资源和时间,这些类定位器通常以批处理或离线模式执行(例如,在基于云的集群上),而不是在实时应用中使用。因此,在一个实施方式中,首先采集原始传感器数据。然后,对于在感兴趣的地区或区域中的每次驾驶,特征提取模块301可以运行计算密集型定位器(例如,以网格状模式),从而对每个车辆姿态点识别正确的车辆姿态。在一个实施方式中,计算密集型定位器所需的计算资源可以随网格尺寸而变化(例如,网格尺寸越小,网格单元越多,需要的计算资源就越多)。因此,可以基于可用的计算资源确定网格尺寸。通过搜索和计算这种模式下的偏移量,特征提取模块301可以识别或选择网格位置,其最有可能是车辆的采集的真实位置。然后,利用被测车辆姿态与被修正车辆姿态之间的位置偏移量来表示相应探测或数据点的地面真值传感器误差。
在一个实施方式中,特征提取模块301可以接收数据中已经用探测点的相应地面真值传感器误差值标记或标注的传感器数据。例如,如果每个采样点的真实位置是已知的(例如,使用更精确的GPS位置传感器、人工观测或司机日志等的位置测量),然后可以计算每个探测点的已知位置与被测位置之间的差值或偏移量,以表示地面真值传感器误差值。然而,通过人工标注或通过更高精度的位置传感器(例如,使用差分GPS位置传感器等)确定地面真值可能在成本或资源方面难以承受。
在被评估的目标传感器为位置传感器的一个实施方式中,被标以地面真值传感器误差值的此位置数据代表训练数据集的一个传感器流。如果其他类型的传感器是被评估的目标传感器,传感器流就是标以各自已知或真实的误差值的目标传感器的输出。目标传感器以外的其他传感器(如激光雷达、摄像头等)将代表训练数据集的其他数据流。
在一个实施方式中,训练或地面真值集可以包括来自其他数据源例如数字地图(例如地理数据库113的HD地图)的数据流。例如,对于位置传感器,建筑物特征(如楼宇、建筑物等)或地形可能与传感器误差存在潜在的相关性(如建筑物引起GPS传感器的多路径干扰,从而降低其精度)。因此,在一个实施方式中,特征提取模块301可以向地理数据库113查询对应于训练数据集中探测点的各自位置的地图数据。然后,此地图数据表示另一个数据流。在另一个实施方式中,其他类型的数据也可以被包括在训练数据集中,诸如但不限于天气数据、传感器类型、传感器制造商、车辆特性等。
将数据流编译成训练数据集后,在一个实施方式中,特征提取模块301可以确定或检索已编译的训练或地面真值数据的相关特征(如特性、属性、性质等)。这里所指的相关,是指对目标传感器的传感器误差有影响或关联的任何特征。例如,当目标传感器是位置或GPS传感器时,指示能够引起多路径干扰的建筑物存在的特征可能是相关的。例如,特征提取模块301可以处理图像数据和/或建筑物数据来确定楼宇、建筑物、地形等的存在。任何检测到的建筑物或楼宇的特性可以是被提取出来用于训练机器学习模型115的特征。通过识别地图数据指示在探测点位置的阈值距离内存在任何建筑物、楼宇、地形等,可以从其他数据流(如数字地图数据)中提取建筑物的类似数据。例如,数字地图数据可以包括附近建筑物或楼宇的三维(3D)模型,其可以被用作训练机器学习模型115的输入特征。需要注意的是,上面讨论的示例特征仅作为说明解释,而不是作为限制。
在一个实施方式中,特征提取过程还包括将特征数据转换为适合输入机器学习模型115的格式。例如,特征或数据项可以被转换为输入矢量或矩阵,用于训练机器学习模型115。其他特征转换的例子可以包括但不限于:将文本标签转换为布尔标志;将多个文本标签转换为多个分类标签;将日期/时间转换为标准格式;将提取的特征数据规范化或转换为通用的分类或术语词典;等。
如上所述,训练或地面真值可以包括原始传感器数据的任意数量的特征或特性和相关信息。然而,有些特征可能与目标传感器的传感器误差没有很好的相关性或根本不相关。因此,在地面真值训练数据中包括这些特征不会提高或有助于机器学习模型115的预测能力。因此,在一个实施方式中,特征提取模块301可以进一步处理地面真值数据来提取或选择一个或多个训练特征。在一个实施方式中,特征提取模块301可以使用本领域已知的任何统计方法(如主成分分析(PCA)和单变量特征选择),来选择最佳的相关特征,以预测或分类传感器误差。也就是说,通过首先确定候选特征集,特征提取模块301从地面真值数据中提取训练特征。然后,地图平台117基于候选特征与预测传感器误差的计算相关性,从候选特征集中选择训练特征。
在步骤403中,地图平台117利用地面真值传感器数据训练机器学习模型115,以根据输入特征集计算预测传感器误差。例如,输入特征集是从传感器数据中提取出来,此传感器数据随后从用于计算目标传感器的预测传感器误差的地理位置采集(如下文结合图6的描述)。在一个实施方式中,通过从特征提取模块301中获取包含所选训练特征的特征矢量或矩阵,训练模块303可以训练机器学习模型115(例如神经网络、支持向量机或其他类似)。在训练过程中,训练模块303将训练数据集(如地面真值数据)的特征矢量或矩阵放入机器学习模型115中,以计算预测传感器误差。然后,训练模块303将预测传感器误差与地面真实训练数据集的地面真值传感器误差值进行比较。在此比较的基础上,训练模块303计算出针对模型参数初始设定的预测或分类的准确性。如果性能的精度或级别不满足阈值或配置级别,训练模块303增量地调整模型参数,直到机器学习模型115以与预测传感器误差相关的预期精度级别生成预测。换句话说,“经过训练”的机器学习模型115是一个模型,其参数经过调整,使其能够相对于地面真值数据做出准确的预测。然后,可以如图6中所描述的实施方式使用经过训练的机器学习模型115。
图6是根据一个实施方式,使用经过训练的机器学习模型115预测传感器误差的过程的流程图。在各种实施方式中,地图平台117和/或地图模块121(例如,单独或组合)可执行过程600的一个或多个部分,可在例如包括图10所示的处理器和存储器的芯片组中实现。照此,地图平台117、地图模块121和/或任意其组件模块可以提供完成过程600的各部分的构件,以及与系统100的其他组件一起完成本文描述的其他过程的实施方式的构件。此外,单独描述涉及地图平台117或地图模块121中任何一个的功能/操作的实施方式也同样适用于另一个。虽然过程600被说明和描述为一系列步骤,可设想的是,过程600的各种实施方式可以以任何顺序或组合执行,并且不需要包含所有说明的步骤。
在一个实施方式中,过程600假设经过训练的机器学习模型115的可用性,例如使用图4中的过程400或等效过程生成的。例如,机器学习模型115可以是预训练模型(如神经网络等),其基于传感器输入、地图数据(如环境的3D模型)和其他相关特征的组合对传感器误差进行回归。经过训练,机器学习模型115可以部署在服务器端(例如,作为基于云的组件)或在本地客户设备、实体上。例如,在部署经过训练的机器学习模型115来预测用于定位的传感器误差时,可以将机器学习模型115部署到车辆101的地图模块121或等效部件上。在一个实施方式中,部署包括在地图模块121中实例化经过训练的机器学习模型115的实例,其中经过训练的机器学习模型115可以以在线方式使用。此外,部署可以包括使用经过训练的机器学习模型115预先计算与特定参考位置对应的传感器误差先验(例如,预测传感器误差值)。然后可以向定位器307(例如在车辆101中)提供传感器误差先验,以改善定位。
图7A和图7B是说明根据一个实施方式将机器学习模型部署到车辆以预测传感器误差的示例的图。图7A说明了一个示例架构701,其中机器学习模型115在网络组件(例如地图平台117)上实例化。这样,机器学习模型115所需的处理就由服务器端提供,在服务器端,计算资源(如处理能力、内存、存储等)通常大于本地部件(如车辆101)。
在架构701下,当车辆在路网中行驶时,原始设备制造商OEM平台703(例如,由汽车制造商管理)采集车辆的传感器数据观察结果。OEM平台703将观察结果发送到地图平台117(例如,通常由地图或其他服务提供商管理),以便摄取和处理。然后,地图平台117(例如,在其中经过训练的机器学习模型115被实例化)使用机器学习模型115处理接收到的传感器观测结果,来预测传感器误差,根据本文描述的实施方式。在一个实施方式中,预测传感器误差数据然后可被融合到地图属性信息中,以产生传感器误差先验705的数据层,该数据层将误差先验与数字地图(例如地理数据库113的HD地图)中的位置相关联。然后,地图平台117可以直接或通过OEM平台703发布传感器误差先验705,以便发送至车辆101(或车辆101的定位器307)。
图7B说明了一种替代的架构721,其中没有向车辆101或车辆101的定位器307发送传感器误差先验。相反,经过训练的机器学习模型115是在路网上行驶的车辆101的本地部件或系统(例如,地图模块121)上被实例化的。这样,本地部件使用机器学习模型115,从而基于本地采集的传感器和/或地图数据提供传感器误差的本地预测和修正(例如,传感器误差预测723)。在一个用例中,当车辆运行在自动驾驶模式下时,传感器误差的本地预测用于定位车辆。
如图所示,为了启用这个架构821,如之前在过程500中描述的一样,地图平台117训练机器学习模型115。然后,地图平台117可以直接或通过OEM平台703将经过训练的机器学习模型115发送至车辆101。然后,车辆101的本地系统或组件执行经过训练的机器学习模型115的实例,以在车辆101的本地进行传感器误差预测。通过这种方式,当物理分隔物覆盖不可用时,或者当车辆在行驶过程中与网络侧组件(如地图平台117)没有通信时,车辆能够检测或定位其行驶路段上的物理分隔物。在一个实施方式中,随着新的训练数据被采集,可以根据需要、定期等方式将更新的经过训练的机器学习模型115发送至车辆101。
在一个实施方式中,在部署时,新的传感器读数或数据(例如,在一个感兴趣的区域捕捉的摄像图像或激光雷达数据)可以被输入到用来预测传感器误差(例如,GPS或位置传感器误差)的训练机器学习模型115(如神经网络),用于如传感器读数(如图像、激光雷达数据等等)中所呈现出来的环境构造。例如,在过程600的步骤601中,误差预测模块305接收来自至少一个传感器的传感器数据,该传感器数据采集于地理位置。例如,该至少一个传感器可以是目标传感器,例如要预测其误差的GPS传感器。例如,传感器数据包括与GPS数据的读数(例如,要预测其误差的数据)以及来自车辆101的其他传感器(例如摄像头、激光雷达)的读数相对应的数据流。
在步骤603,误差预测模块305与特征提取模块301相互作用,从传感器数据中(例如,与数据采集处地理位置上环境的结构或配置相关的特征),从表示地理位置的地图数据中(例如,在此地区的建筑物的3D模型),和/或从如上文讨论的有关训练机器学习模型115的任何其他特征中提取输入特征集。例如,输入特征集包括一个或多个建筑物的一个或多个属性,指示一个或多个建筑物的传感器数据的一个或多个其他属性,或它们的组合。同样如上所述,特征提取还包括将传感器数据的特征转换为适合输入到经过训练的机器学习模型115的格式(如特征矢量/矩阵)。
在步骤605中,误差预测模块305使用经过训练的机器学习模型115处理输入特征集,以计算在地理位置运行的目标传感器的预测传感器误差。换句话说,机器学习模型115利用关联至训练模型时确定的地面真值传感器误差的传感器数据的特征回归预测传感器误差。例如,在传感器误差为GPS传感器误差的用例中,所预测的误差可以随后被作为加快定位器307的收敛的地图先验,从而实现更快的车辆定位。
回到图1,在一个实施方式中,地图平台117通过通信网络123连接到服务平台125(例如OEM平台),此服务平台提供一项或多项服务127(例如传感器数据采集服务)。举例来说,服务127也可以是其他第三方服务,包括地图服务、导航服务、旅游规划服务、通知服务、社交网络服务、内容(例如音频、视频、图片等)供应服务、应用服务、存储服务、情境资讯确定服务、基于定位的服务、基于信息的服务(如天气、新闻等)等等。在一个实施方式中,服务平台125使用机器学习模型115的输出(例如传感器误差预测或传感器误差先验)来提供诸如导航、地图和其他基于定位的服务等。
在一个实施方式中,地图平台117可以是一个具有多个互连部件的平台,可以包括多个服务器、智能网络设备、计算设备、部件以及相应软件用于预测传感器误差。此外,需要注意的是,地图平台117可能是系统100的单独实体,一个或多个服务127的一部分,服务平台125的一部分,或包括在车辆101内(例如作为地图模块121)。
在一个实施方式中,内容提供商129a-129m(统称内容提供商129)可以向地理数据库113、地图平台117、服务平台125、服务127和车辆101提供内容或数据(例如,包括地理数据、传感器数据等)。所提供的内容可以是任何类型的内容,例如地图内容、文本内容、音频内容、视频内容、图像内容等。在一个实施方式中,内容提供商129可以提供有助于预测传感器误差的内容。在一个实施方式中,内容提供商129还可以存储与地理数据库113、地图平台117、服务平台125、服务127和/或车辆101相关的内容。在另一个实施方式中,内容提供商129可以管理对中央数据存储库的访问,并为数据提供一致的、标准的接口,例如地理数据库113的存储库。
举例来说,地图模块121可以是任何类型的嵌入式系统、移动终端、固定终端、或便携式终端、其包括内置的导航系统、个人导航设备、移动手持终端、站、单元、设备、多媒体计算机、多媒体平板电脑、网络节点、通信器、台式电脑、手提电脑、笔记本电脑、上网本电脑、平板电脑、个人通信系统(PCS)设备、个人数字助理(PDA)、音频、视频播放器、数码相机/摄录机、定位装置、健身器材、电视接收器、电台广播接收器、电子书装置、游戏装置或其任何组合,包括这些装置的配件及外围设备,或其任何组合。还可预期的是,地图模块121可以支持任何类型的用户接口(如“可穿戴”电路等)。在一个实施方式中,地图模块121可以与车辆101相关联,也可以是车辆101的组成部分。
在一个实施方式中,车辆101配置了各种传感器,用于生成或采集车辆传感器数据、相关地理、地图数据等。在一个实施方式中,探测的数据表示传感器数据,此传感器数据与采集传感器数据的地理位置或坐标相关。通过这种方式,传感器数据可以作为观测数据,其可以被聚合到定位感知训练和评估数据集中。例如,传感器可以包括雷达系统、激光雷达系统、用于采集位置数据的全球定位传感器(如GPS)、用于探测无线信号的网络探测传感器或用于不同的短程通信的接收器(如蓝牙、Wi-Fi、Li-Fi、近场通信(NFC)等),时间信息传感器、用于采集图形信息的摄像/成像传感器、采集音频数据的音频录音、安装在汽车的方向盘速度传感器、用于确定一个或多个车辆开关是否接合的开关传感器,及类似物。
车辆101的传感器的其他例子可以包括光传感器、用高度传感器和加速度传感器增强的定位传感器(例如,加速度表可以测量加速度并被用作确定车辆的方位)、用来检测沿行驶路径的车辆上倾或下倾程度的倾斜传感器、湿度传感器、压力传感器等。在另一个示例实施方式中,车辆101周边的传感器可以检测车辆与物理分隔物、车道或道路、其他车辆的存在、行人、交通灯、坑洼和任何其他物体或其组合之间相对距离。在一种情况下,传感器可以检测天气数据、交通信息或它们的组合。在一个实施方式中,车辆101可以包括GPS或其他基于卫星的接收器,以从卫星获取地理坐标用于确定当前位置和时间。此外,位置可以通过视觉里程计、三角测量系统如A-GPS、蜂窝小区(Cell of Origin)或其他位置外推技术来确定。在另一个实施方式中,传感器可以确定车辆的各种控制元件的状态,如雨刷的开启、制动踏板的使用、加速踏板的使用、方向盘的角度、应急灯的开启、头灯的开启等。
在一个实施方式中,系统100的通信网络123包括一个或多个网络,如数据网络、无线网络、电话网络或其任意组合。可预期的是,数据网络可以是任何局域网(LAN)、城域网(MAN)、广域网(WAN)、公共数据网络(如因特网)、短程无线网络、或任何其他适当的包交换网络,如商有的、专营的包交换网络,如专营的电缆或光纤网络、和类似物、或其任何组合。此外,无线网络可以是如蜂窝网络,可采用各种技术,包括增强型数据速率GSM演进技术(EDGE)、通用分组无线服务技术(GPRS)、全球移动通信系统(GSM)、互联网协议多媒体子系统(IMS)、通用移动通信系统(UMTS)等,以及其他任意合适的无线介质,例如全球微波互联接入(WiMAX)、长期演进(LTE)网络、码分多址(CDMA)、宽带码分多址(WCDMA)、无线保真(Wi-Fi)、无线局域网(WLAN)、互联网协议(IP)数据广播、卫星、移动自组网(MANET)和类似物,或其任意组合。
举例来说,地图平台117、服务平台125、服务127、车辆101和/或内容提供商129相互之间以及与系统100的其他部件使用众所周知的、新的或仍在开发的协议进行通信。在本文中,协议包含一组规则,其定义通信网络123中的网络节点如何基于通过通信链接发送的信息相互交互。协议在每一个节点内的不同操作层是有效的,从产生和接收不同类型的物理信号,到选择一个传输这些信号的链接,到由这些信号表示的信息的格式,到确定在计算机系统上执行的哪一个软件应用程序发送或接收信息。开放式系统互连(OSI)参考模型中描述了用于在网络上交换信息的协议的概念上不同的层。
网络节点之间的通信通常通过交换离散数据包来实现。每个数据包通常包括与特定协议相关的(1)报头信息,以及跟随报头信息的(2)有效负载信息,其包含可能独立于该特定协议处理的信息。在某些协议中,数据包包含(3)尾部信息,其跟随在有效负载之后的并指示有效负载信息的结束。报头包括信息,如数据包的来源、其目的地、有效负载的长度、和该协议使用的其他属性。通常,有效负载中用于特定协议的的数据包括报头和用于不同协议的有效负载,其与OSI参考模型的另一个上层相关联。用于特定协议的报头通常指示包含在其有效负载中的下一个协议的类型。就是说,上层协议被封装在下层协议中。包含在横跨多个异构网络(如Internet)的数据包中的报头通常包括物理(第1层)报头、数据链接(第2层)报头、互连网络(第3层)报头和传输(第4层)报头,以及OSI参考模型定义的各种应用程序(第5层、第6层和第7层)报头。
图8是根据一个实施方式的地理数据库的图。在一个实施方式中,地理数据库113包括用于(或配置为编译成用于)定位和/或导航相关服务的地理数据801。在一个实施方式中,使用多边形(例如二维特征)或多边形挤出(例如三维特征)表示地理特征(例如二维特征或三维特征)。例如,多边形的边缘对应于各自地理特征的边界或边缘。以楼宇为例,二维多边形可以用来表示楼宇的覆盖区,三维多边形挤出可以用来表示楼宇的三维表面。可以预期的是,虽然各种实施方式相对于二维多边形进行了讨论,但也预期的是,这些实施方式也适用于三维多边形挤出。因此,这里使用的术语多边形和多边形挤出可以互换使用。
在一个实施方式中,地理数据库113包括高分辨率或高清晰度(HD)地图数据,这些数据提供厘米级或更高精度的地图特征。例如,地理数据库113可以基于光探测和测距(激光雷达LiDAR)或类似的技术,来采集数十亿计的3D点和模型路面、建筑物、楼宇、地形和其他地图特征,以至车道号及其宽度。在一个实施方式中,HD地图数据捕获和存储细节,诸如道路的坡度和曲率、停车位、车道标记、路边对象如路标,包括路标所指示的内容等。举例来说,HD地图数据使高度自动化的车辆能够精确地在道路上定位自己,并以高精度水平确定道路属性(例如,学习速度限速值)。
在一个实施方式中,使用多边形(例如二维特征)或多边形挤出(例如三维特征)表示地理特征(例如二维特征或三维特征)。例如,多边形的边缘对应于各自地理特征的边界或边缘。以楼宇为例,二维多边形可以用来表示楼宇的覆盖区,三维多边形挤出可以用来表示楼宇的三维表面。可以预期的是,虽然各种实施方式相对对二维多边形进行了讨论,但也预期的是,这些实施方式也适用于三维多边形挤出。因此,这里使用的术语多边形和多边形挤出可以互换使用。在一个实施方式中,以下术语适用于在地理数据库113中表示地理特征。
“节点”—结束链接(link)的点。
“线段”—连接两个点的直线。
“链接”(或“边”)—连续的、无分支的一串一条或多条线段,其两端以节点结束。
“形状点”——两个节点之间沿着链接的点(例如,用来在不定义新节点的情况下改变链接的形状)。
“带方向的链接”—具有起始节点(称为“参考节点”)和结束节点(“非参考节点”)的链接。
“简单多边形”—外部边界的内部区域,外部边界由一串以节点开始和结束的带方向的链接组成。在一个实施方式中,一个简单的多边形本身不交叉。
“多边形”—由外部边界和没有或至少一个内部边界界定的区域(如洞或岛)。在一个实施方式中,多边形由一个外部简单多边形和没有或至少一个内部简单多边形构成。如果一个多边形只由一个简单的多边形构成,那么它就是简单的;如果一个多边形具有至少一个内部简单的多边形,那么它就是复杂的。
在一个实施方式中,地理数据库113遵循某些约定。例如,链接本身及相互之间不会交叉,除非在节点上。此外,不存在重复的形状点、节点或链接。两个相互连接的链接有一个共同的节点。在地理数据库113中,重叠的地理特征用重叠的多边形表示。当多边形重叠时,一个多边形的边界与另一个多边形的边界交叉。在地理数据库113中,一个多边形的边界与另一个多边形的边界相交的位置用一个节点表示。在一个实施方式中,节点可用于表示沿着多边形边界的其他位置,而不是此多边形的边界与另一个多边形的边界相交的位置。在一个实施方式中,形状点不用于表示多边形的边界与另一个多边形的边界相交的点。
如图所示,地理数据库113包括,例如,节点数据记录803,路段或链接数据记录805,POI(兴趣点)数据记录807,传感器误差记录809,其他记录811,和索引813。可提供更多、更少或不同的数据记录。在一个实施方式中,附加的数据记录(未显示)可以包括地图(“carto”)数据记录、路径选择数据和操纵控制数据。在一个实施方式中,索引813可以提高在地理数据库113中的数据检索操作的速度。在一个实施方式中,索引813可用于快速定位数据,而无需每次访问地理数据库113时对其每一行都进行搜索。例如,在一个实施方式中,索引813可以是与存储的特征多边形相关联的多边形点的空间索引。
在示例性实施方式中,路段数据记录805是表示道路、街道或路径的链接或线段,可用于计算的路线或记录的路线信息中,以确定一条或多条个性化路线。节点数据记录803是对应于路段数据记录805的各个链接或线段的端点。道路链接数据记录805和节点数据记录803表示如被车辆、汽车和/或其他实体使用的道路网络。或者,地理数据库113可以包含路径段和节点数据记录,或者其他数据,其表示补充或替代例如车辆道路记录数据的行人路径或区域。
道路/链接线段和节点可以关联到属性,如地理坐标、街道名称、地址范围、速度限制、十字路口的转弯限制、和其他与导航相关的属性、以及感兴趣点(POI),如加油站、酒店、餐厅、博物馆、体育馆、办公室、汽车经销商、汽车维修商店、楼宇、商店、公园等。地理数据库113可以包含关于感兴趣点(POI)的数据及POI数据记录807中其各自位置。地理数据库113还可以包括关于地点的数据,例如城市、城镇或其他社区,以及其他地理特征,例如水体、山脉等。这些地点或特征数据可以是感兴趣点(POI)数据记录807的一部分,也可以与感兴趣点(POI)或感兴趣点(POI)数据记录807关联(例如用于显示或表示城市位置的数据点)。
在一个实施方式中,地理数据库113还可以包括用于存储预测传感器误差数据、传感器误差先验和/或相关数据的传感器误差记录809。预测的数据,例如,可以存储为传感器误差数据层的属性或数据记录或地理数据库113的覆盖物,其与预测属性及地图属性或特征融合在一起。在一个实施方式中,传感器误差记录809可以与道路链接的部分(而不是整个链接)相关联。需要注意的是,为预测传感器误差而进行的道路分割可以不同于地理数据库113中的道路链接结构。换句话说,这些部分可以进一步将地理数据库113的链接细分为更小的部分(例如,长度相同的部分,如5米)。通过这种方法,可以以一种颗粒度等级预测和表示传感器误差,此颗粒度等级在与地理数据库113中描绘实际道路或道路网络被所用颗粒度无关。在一个实施方式中,传感器误差记录809可以与一个或多个节点记录803、路段记录805和/或POI数据记录807;或其部分(例如,比路段记录805所示的更小或不同的段)关联,以提供更高的定位精度/速度,为更安全的自动驾驶车辆做准备。这样,存储在传感器误差记录809中的预测传感器误差数据也可以与相应记录803、805和/或807的特征或元数据相关联。
在一个实施方式中,地理数据库113可以由内容提供商129与服务平台125(例如,地图开发人员)联合维护。地图开发人员可以采集地理数据来生成和增强地理数据库113。地图开发人员可以使用不同的方法来采集数据。这些方法可以包括从其他来源获得数据,例如市政当局或各自的地理局。此外,例如,地图开发人员可以雇用外勤人员沿遍及地理区域的道路行驶,以观察特征(例如物理分隔物、OPPO、VRU等)和/或记录有关特征的信息。此外,还可以使用遥感,如航空或卫星摄像。
地理数据库113可以是一个以便于更新、维护和开发的格式存储的主地理数据库。例如,主地理数据库或主地理数据库中的数据可以是Oracle空间格式或其他空间格式,如用于开发或产品目的。Oracle空间格式或开发/产品数据库可以编译为交付格式,例如地理数据文件(GDF)格式。产品和/或交付格式的数据可以编译或进一步编译,以形成地理数据库产品或数据库,其可用于用户导航设备终端或系统。
例如,地理数据被编译(如编译成一个平台规范格式(PSF)格式)用来组织和/或配置的数据,以执行有关导航功能和/或服务,如路线计算、路线指引、地图显示、速度计算、距离和行驶时间功能、和其他功能,通过导航设备,例如通过车辆101。导航相关功能可以对应于车辆导航、行人导航或其他类型的导航。生成终端用户数据库的编译可以由独立于地图开发人员的一方或实体执行。例如,地图开发人员的客户,例如导航设备开发人员或其他终端用户设备开发人员,可以在接收到的地理数据库上执行以交付格式进行的编译,以生成一个或多个编译后的导航数据库。
本文描述的用于预测传感器误差的过程可以有利地通过软件、硬件(如通用处理器、数字信号处理(DSP)芯片、专用集成电路(ASIC)、现场可编程门阵列(FPGA)等)、固件或其组合实现。下面将详细介绍执行上述功能的示例硬件。
图9说明了可以在其上可以执行本发明实施方式的计算机系统900。计算机系统900被编程(例如,通过计算机程序代码或指令)来如本文所述地预测传感器误差,其包含一种通信机制,如用于计算机系统900的其他内部和外部组件之间传递信息的总线910。信息(也称为数据)被表示为可测量现象的物理表达,通常是电压,但在其他实施方式中包含现象,诸如磁、电磁、压力、化学、生物、分子、原子、亚原子和量子相互作用。例如,南北磁场,或零电压和非零电压,表示二进制数字(位)的两种状态(0、1)。其他现象可以表示更高基数的数字。测量前的多个同时量子态的叠加表示一个量子位(qubit)。一个或多个数字的序列构成数字数据,其用于表示数字或用于特性的代码。在一些实施方式中,称为模拟数据的信息由特定范围内的近乎连续的可测量值表示。
总线910包括一个或多个并行的信息导线,以便在耦合到总线910的设备之间快速传输信息。用于处理信息的一个或多个处理器902与总线910耦合。
处理器902在信息上执行一组操作,按照与预测传感器误差有关的计算机程序代码的指定。计算机程序代码是一组指令或语句,为处理器和/或计算机系统执行指定功能的操作提供指令。例如,代码可以用计算机编程语言编写,这种语言被编译成处理器的本机指令集。代码也可以直接使用本机指令集(例如,机器语言)编写。一组操作包括从总线910导入信息和将信息放在总线910上。一组操作通常还包括比较两个或多个信息单元、移动信息单元的位置,以及组合两个或多个信息单元,例如通过加法或乘法或逻辑运算,如或(OR)、异或(XOR),以及与(AND)。可由处理器执行的一组操作中每个操作都通过被称为指令的信息表示给处理器,例如一个或多个数字的操作代码。由处理器902执行的操作序列,如操作代码序列,构成处理器指令,也被称为计算机系统指令或简单地说,计算机指令。处理器可以由机械的、电气的、磁的、光学的、化学的或量子的部件等之一或其组合实现。
计算机系统900还包括一个与总线910耦合的存储器904。存储器904(如随机存取存储器(RAM)或其他动态存储设备)存储包括用于预测传感器误差的处理器指令的信息。动态存储器允许计算机系统900改变存储在其中的信息。RAM允许独立于相邻地址的信息单独存储和检索一个信息单元,其被存储在一个被称为存储器地址的位置上。存储器904也被处理器902用于在执行处理器指令期间存储临时值。计算机系统900还包括与总线910耦合的只读存储器(ROM)906或其他静态存储设备,用于存储不被计算机系统900改变的静态信息(包含指令)。有些存储器由易失性存储器组成,当断电时,易失性存储器会丢失存储在其上的信息。与总线910耦合的还有非易失性(持久)存储设备908,如磁盘、光盘或闪存卡,用于存储信息(包括指令),即使在计算机系统900关闭或以其他方式断电时这些信息仍然存在。
信息(包括用于预测传感器误差的指令)被从外部输入设备912(如由人类用户操作的包含字母数字键的键盘)或传感器提供给总线910供处理器使用。传感器检测其附近的环境,并将这些检测转化为物理表达,其与用于在计算机系统900中表示信息的可测量现象相兼容。耦合到总线910的其他外部设备,主要用于与人类互动,包括显示装置914(例如呈现文本或图像的阴极射线管(CRT)或液晶显示器(LCD)、或等离子屏幕或打印机)和定位设备916(如鼠标或轨迹球或光标方向键、或运动传感器),其用于控制显示在显示装置914上的小光标图像的位置,并发出与显示在914上的图形元素相关联的命令。在某些实施方式中,例如,在计算机系统900在没有人工输入的情况下自动执行所有功能的实施方式中,省略了一个或多个外部输入设备912、显示设备914和定位设备916。
在所示实施方式中,专用硬件,如专用集成电路(ASIC)920,与总线910耦合。特殊用途的硬件被配置为执行处理器902因为特定原因不能足够快地执行的操作。专用集成电路的例子包括用于生成用于显示914的图形加速器、用于加密和解密总线上发送的消息的密码板、语音识别、特殊外部设备的接口,如机械臂和医疗扫描设备,其反复执行一些复杂的在硬件中实现更有效的操作序列。
计算机系统900还包括与总线910耦合的通信接口970的一个或多个实例。通信接口970提供一个耦合到各种外部设备单向或双向通信,这些外部设备使用自己的处理器操作,这些外部设备为如打印机、扫描仪和外部磁盘。一般情况下,耦合是通过连接到本地网络980的网络链路978,耦合至各种具有自己处理器的外部设备。例如,通信接口970可以是个人计算机上的并行端口或串行端口或通用串行总线(USB)端口。在某些实施方式中,通信接口970是集成服务数字网络(ISDN)卡或数字用户线(DSL)卡或电话调制解调器,其提供到相应类型电话线的信息通信连接。在某些实施方式中,通信接口970是一种电缆调制解调器,其将总线910上的信号转换为用于同轴电缆上的通信连接的信号或用于光纤电缆上的通信连接的光信号。另一个例子是,通信接口970可能是一个局域网(LAN)卡,其用于提供数据通信连接至兼容LAN,如以太网。无线链路也可以被实现。对于无线链路,通信接口970发送或接收或同时发送和接收电子、声学或电磁信号,包括红外和光学信号,这些信号承载信息流,如数字数据。例如,在无线手持设备中,如蜂窝电话等移动电话中,通信接口970包括被称为无线电收发器的无线电波段电磁发射器和的接收器。在某些实施方式中,通信接口970使连接到通信网络123以预测传感器错误成为可能。
这里使用的术语计算机可读介质是指参与向处理器902提供信息,包括用于执行的指令的任何介质。此类介质可以有多种形式,包括但不限于非易失性介质、易失性介质和传输介质。非易失性介质包括,例如,光盘或磁盘,如存储设备908。易失性介质包括例如动态存储器904。传输介质包括例如,同轴电缆、铜线、光缆、以及无需线或线缆穿过空间的载波,如声波和无线电波包括电磁波、光波、红外波。信号包括在振幅、频率、相位、偏振或其他通过传输介质传输的物理特性上的人为的瞬态变化。常见形式的计算机可读介质包括,例如软盘、可折叠磁盘、硬盘、磁带、其他磁性介质、CD-ROM、CDRW、DVD、其他光学介质、穿孔卡片、纸带、光学标记纸、其他任何具有孔的图案或其他光学可识别标记的物理介质、RAM、PROM、EPROM、FLASH-EPROM,任何其他存储器芯片或存储盒、载波、或任何其他计算机可读的介质。
图10说明可以在其上可实现本发明实施方式的芯片组1000。芯片组1000被编程为按照本文所述预测传感器误差,其包括,例如被封装在一个或多个物理封装中(例如,芯片)的图9所示的处理器和存储器。举例来说,物理封装包括在结构组件(如底板)上布置一种或多种材料、部件和/或电线,以提供一种或多种特性,如物理强度、尺寸守恒和/或电气交互作用限制。可以预想的是,在某些实施方式中,芯片组可以在单个芯片中实现。
在一个实施方式中,芯片组1000包括通信机制如总线1001,用于在芯片组1000的部件之间传递信息。处理器1003与总线1001连接,以执行指令和处理信息,所述指令和信息存储在例如存储器1005中。处理器1003可以包含一个或多个处理核,每个核都被配置为可独立运行。多核处理器支持在单个物理封装内多重处理。多核处理器的例子包括两个、四个、八个或更多的处理核。或者或此外,处理器1003可以包括一个或多个通过总线1001串联配置的微处理器,以支持独立执行指令、流水线和多线程。处理器1003还可以与一个或多个专用组件联合,执行某些处理功能和任务,如一个或多个数字信号处理器(DSP)1007,或一个或多个特定于专用集成电路(ASIC)1009。DSP 1007通常被配置成独立于处理器1003处理实时处理真实信号(如声音)。类似地,ASIC 1009可以配置为执行通用处理器不容易执行的特殊功能。其他有助于执行本文描述的发明功能的专用组件包括一个或多个现场可编程门阵列(FPGA)(未示出),一个或多个控制器(未示处),或一个或多个其他专用计算机芯片。
处理器1003及随附组件通过总线1001连接到存储器1005。存储器1005包括动态内存(如RAM、磁盘、可写光盘等)和静态内存(如ROM、CD-ROM等),用于存储可执行指令,执行此指令可实现本发明描述的发明步骤,以预测传感器误差。
图11是移动终端(例如手机)组件示例的图,此移动终端能够根据一个实施方式在图1的系统中运行。一般来说,无线电接收器通常依据前端和后端特性来定义。接收器的前端包含所有射频电路,而后端包含所有基带处理电路。电话机的相关内部组件包括主控单元(MCU)1103、数字信号处理器(DSP)1105和包括麦克风增益控制单元和扬声器增益控制单元的接收/发送单元。主显示单元1107向用户提供显示,以支持提供自动接触匹配的各种应用程序和移动站功能。一种音频功能电路1109包括麦克风1111和用于放大从麦克风1111输出的语音信号的麦克风放大器。从麦克风1111输出的放大的语音信号被提供给编译码器(CODEC)1113。
无线电部分1115放大功率并转换频率,以便通过天线1117与包括在移动通信系统中的基站通信。功率放大器(PA)1119和发射器/调制电路在操作上响应单片机1103,通过将PA 1119的输出耦合到双工器1121或环形器或天线开关,如在本领域所知那样。PA1119还耦合到一个电池接口和功率控制单元1120。
在使用中,移动站1101的用户对着麦克风1111说话,他或她的声音以及任何检测到的背景噪声均被转换成模拟电压。模拟电压,然后通过模数转换器(ADC)转换成数字信号1123。控制单元1103路由此数字信号至DSP 1105中进行处理,如语音编码、频道编码、加密和交织。在一个实施方式中,处理的语音信号被编码,通过没有单独示出的单元,使用蜂窝传输协议如增强型数据速率GSM演进技术(EDGE)、通用分组无线服务技术(GPRS)、全球移动通信系统(GSM)、互联网协议多媒体子系统(IMS)、通用移动通信系统(UMTS)等,以及其他任意合适的无线介质,例如全球微波互联接入(WiMAX)、长期演进(LTE)网络、码分多址(CDMA)、无线保真(Wi-Fi)、卫星、和类似物。
然后,被编码的信号被路由到均衡器1125,以补偿在通过空气传输过程中发生的任何频率相关的损害,如相位和振幅失真。在均衡位流之后,调制器1127将信号与在RF接口1129中生成的RF信号相结合。调制器1127通过频率或相位调制产生正弦波。为了准备用于传输的信号,上变频器1131将调制器1127输出的正弦波与合成器1133产生的另一个正弦波相结合,以达到所需的传输频率。然后通过PA 1119发送信号,将信号增加到适当的功率级别。在实际系统中,PA 1119作为一个可变增益放大器,其增益由DSP 1105根据从网络基站接收的信息控制。然后,信号在双工器1121中被过滤,并可选地发送到天线耦合器1135,以匹配阻抗,提供最大的功率传输。最后,信号通过天线1117传输到本地基站。自动增益控制(AGC)可用来控制接收器最后阶段的增益。这些信号可以从那里转发到远程电话,其可以是另一个蜂窝电话、其他移动电话或者连接到公共交换电话网(PSTN)的固定电话,或其他电话网络。
传送到移动站1101的语音信号通过天线1117被接收,并立即被低噪声放大器(LNA)1137放大。一个下变频器1139降低了载波频率,而解调器1141除去RF只留下了数字位流。然后信号通过均衡器1125,由DSP 1105处理。数模转换器(DAC)1143转换信号,结果输出通过扬声器1145传送给用户,这些都在主控制单元(MCU)1103的控制下,此主控单元可以作为中央处理器(CPU)实现(未示出)。
MCU 1103接收来自键盘1147的各种信号,包括输入信号。键盘1147和/或MCU 1103与其他用户输入组件(如麦克风1111)相联合,构成用于管理用户输入的用户接口电路。MCU1103运行一个用户界面软件,以方便用户控制移动站1101的至少一些功能,以预测传感器误差。MCU 1103也分别向显示1107传送显示命令和向语音输出开关控制器传送开关命令。此外,MCU 1103与DSP 1105交换信息,并可以访问可选的SIM卡1149和存储器1151。此外,MCU 1103执行基站所要求的各种控制功能。DSP 1105可以,根据实现情况,在语音信号上执行各种传统的数字处理功能。此外,DSP 1105根据麦克风1111检测的信号确定本地环境的背景噪音等级,并设置麦克风1111的增益到一个等级,此等级选择用于补偿移动站1101的用户的自然趋势。
编译码器CODEC 1113包括模数转换器ADC 1123和数模转换器DAC 1143。存储器1151存储包括电话传入的音调数据的各种数据,并能够存储包括通过例如全球互联网接收的音乐数据的其他数据。软件模块可以驻留在RAM存储器、闪存、寄存器或本领域所熟知的任何其他形式的可写的计算机可读存储介质中,包括非暂时性的计算机可读存储介质。例如,存储器1151可能是但不限于,单个存储器、CD、DVD、ROM、RAM、EEPROM、光学存储器,或任何其他能够存储数字数据的非易失的或非暂时性的存储介质。
例如,可选的内装的SIM卡1149承载重要信息,如手机号码、运营商提供服务、订阅细节和安全信息。SIM卡1149主要用于在无线电网络上识别移动站1101。卡1149也包含存储器,其用于存储个人电话号码登记表、文本消息和用户特定的移动站设置。
虽然通过若干实施方式和实现方式对本发明进行了描述,但本发明并非局限于此,而是涵盖了各种明显的变形和等效的布置,这些变形和布置落入所附权利要求书的范围。虽然本发明的特征以权利要求书中的某些组合形式表示,但可以设想的是,这些特征可以以任何组合和顺序布置。
Claims (20)
1.一种用于预测传感器误差的计算机实现的方法,包括以下步骤:
接收来自至少一个传感器的传感器数据,所述传感器数据采集于地理位置;
从所述传感器数据、表示所述地理位置的地图数据或其组合中提取输入特征集;和
利用机器学习模型处理所述输入特征集,以计算在所述地理位置运行的目标传感器的预测传感器误差,
其中,所述机器学习模型已通过地面真值传感器误差数据进行训练,以利用所述输入特征集来计算所述预测传感器误差。
2.根据权利要求1所述的方法,其中,所述目标传感器是位置传感器,其中所述预测传感器误差用作定位的误差先验。
3.根据权利要求2所述的方法,还包括:
基于所述误差先验减小用于定位的搜索空间。
4.根据权利要求1所述的方法,其中,所述机器学习模型部署在车辆中,用于对所述车辆进行定位。
5.根据权利要求1所述的方法,其中,所述至少一个传感器与所述目标传感器不同,其中所述至少一个传感器包括激光雷达传感器、摄像传感器或其组合。
6.根据权利要求1所述的方法,其中,提取所述输入特征集的步骤包括处理所述传感器数据以确定在所述地理位置上的一个或多个建筑物或其组合。
7.根据权利要求6所述的方法,其中,所述输入特征集包括所述一个或多个建筑物的一个或多个属性、表示所述一个或多个建筑物的所述传感器数据的一个或多个其他属性,或者其组合。
8.根据权利要求1所述的方法,其中,所述传感器数据是从车辆的单个位置传感器采集的位置数据。
9.一种用于预测传感器误差的装置,包括:
至少一个处理器;以及
至少一个存储器,所述至少一个存储器包括用于一个或多个程序的计算机程序代码,
所述至少一个存储器和所述计算机程序代码被配置成,和所述至少一个处理器一起,使得所述装置执行至少以下:
针对地理区域采集地面真值传感器误差数据,其中所述地面真值传感器数据包括从用地面真值传感器误差值标注的传感器数据、地图数据或其组合中提取出来的训练特征集;以及
利用所述地面真值传感器数据训练机器学习模型,从而根据输入特征集计算预测传感器误差,
其中,所述输入特征集是从传感器数据提取的,所述传感器数据随后从用于计算目标传感器的预测传感器误差的地理位置中采集。
10.根据权利要求9所述的装置,其中,所述地面真值传感器数据包括采集车辆的感测车辆姿态。
11.根据权利要求10所述的装置,其中,所述装置还用于:
以类网格模式在所述感测车辆姿态上运行计算密集型定位器,以识别修正车辆姿态,
其中,所述地面真值传感器误差值基于所述感测车辆姿态与所述修正车辆姿态之间的偏移值。
12.根据权利要求9所述的装置,其中,所述目标传感器是位置传感器,其中所述预测传感器误差用作定位的误差先验。
13.根据权利要求12所述的装置,其中所述装置还用于:
基于所述误差先验减小用于定位的搜索空间。
14.根据权利要求9所述的装置,其中,所述机器学习模型部署在车辆中,用于对所述车辆进行定位。
15.根据权利要求9所述的装置,其中,所述至少一个传感器与所述目标传感器不同,其中所述至少一个传感器包括激光雷达传感器、摄像传感器、雷达传感器或其组合。
16.一种用于预测传感器误差的非暂时性的计算机可读存储介质,承载一个或多个序列的一个或多个指令,当由一个或多个处理器执行时,所述一个或多个序列的一个或多个指令使得装置至少执行以下步骤:
接收来自至少一个传感器的传感器数据,所述传感器数据采集于地理位置;
从所述传感器数据、表示所述地理位置的地图数据或其组合中提取输入特征集;和
利用机器学习模型处理所述输入特征集,以计算在所述地理位置运行的目标传感器的预测传感器误差,
其中,所述机器学习模型已通过地面真值传感器误差数据进行训练,以利用所述输入特征集来计算所述预测传感器误差。
17.根据权利要求16所述的非暂时性的计算机可读存储介质,其中,所述目标传感器是位置传感器,其中所述预测传感器误差用作定位的误差先验。
18.根据权利要求16所述的非暂时性的计算机可读存储介质,其中,提取所述输入特征集的步骤包括处理所述传感器数据以确定在所述地理位置上一个或多个建筑物或其组合。
19.根据权利要求18所述的非暂时性的计算机可读存储介质,其中,所述输入特征集包括所述一个或多个建筑物的一个或多个属性、表示所述一个或多个建筑物的所述传感器数据的一个或多个其他属性,或者其组合。
20.根据权利要求16所述的非暂时性的计算机可读存储介质,其中,所述传感器数据是从车辆的单个位置传感器采集的位置数据。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/152,092 US11651244B2 (en) | 2018-10-04 | 2018-10-04 | Method and apparatus for predicting sensor error |
US16/152,092 | 2018-10-04 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111007540A true CN111007540A (zh) | 2020-04-14 |
Family
ID=68137963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910938639.7A Pending CN111007540A (zh) | 2018-10-04 | 2019-09-30 | 用于预测传感器误差的方法和装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11651244B2 (zh) |
EP (1) | EP3647726A1 (zh) |
CN (1) | CN111007540A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111879322A (zh) * | 2020-06-22 | 2020-11-03 | 北京嘀嘀无限科技发展有限公司 | 一种定位精度的预测方法和系统 |
CN112161633A (zh) * | 2020-09-28 | 2021-01-01 | 北京百度网讯科技有限公司 | 数据处理方法、装置、设备以及存储介质 |
CN113483709A (zh) * | 2021-06-29 | 2021-10-08 | 东风汽车有限公司东风日产乘用车公司 | 车舱内移动终端位移测量方法、电子设备及存储介质 |
CN115390086A (zh) * | 2022-10-31 | 2022-11-25 | 智道网联科技(北京)有限公司 | 用于自动驾驶的融合定位方法、装置及电子设备、存储介质 |
CN116740982A (zh) * | 2023-08-15 | 2023-09-12 | 禾多科技(北京)有限公司 | 目标车位的确定方法、装置、存储介质及电子装置 |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10481044B2 (en) * | 2017-05-18 | 2019-11-19 | TuSimple | Perception simulation for improved autonomous vehicle control |
US11164016B2 (en) * | 2018-05-17 | 2021-11-02 | Uatc, Llc | Object detection and property determination for autonomous vehicles |
US11428781B2 (en) * | 2018-11-01 | 2022-08-30 | Robert Bosch Gmbh | System and method for radar-based localization in sparse environment |
US10962984B2 (en) * | 2018-11-20 | 2021-03-30 | Toyota Research Institute, Inc. | Sensor-agnostic detection using high-level feature extraction |
US11214268B2 (en) * | 2018-12-28 | 2022-01-04 | Intel Corporation | Methods and apparatus for unsupervised multimodal anomaly detection for autonomous vehicles |
US11238370B2 (en) * | 2018-12-31 | 2022-02-01 | Woven Planet North America, Inc. | Approaches for determining sensor calibration |
DE112020001897T5 (de) * | 2019-04-12 | 2021-12-30 | Nvidia Corporation | Trainieren neuronaler Netze unter Verwendung von Grundwahrheitsdaten, die mit Karteninformationen ergänzt wurden, für autonome Maschinenanwendungen |
US11704554B2 (en) * | 2019-05-06 | 2023-07-18 | Baidu Usa Llc | Automated training data extraction method for dynamic models for autonomous driving vehicles |
EP3966595A4 (en) * | 2019-07-23 | 2023-04-12 | R-Go Robotics Ltd | TECHNIQUES FOR CO-OPTIMIZING MOVEMENT AND SENSORY CONTROL |
US11579286B2 (en) * | 2019-09-13 | 2023-02-14 | Wavesense, Inc. | Navigation and localization using surface-penetrating radar and deep learning |
US11250051B2 (en) * | 2019-09-19 | 2022-02-15 | Here Global B.V. | Method, apparatus, and system for predicting a pose error for a sensor system |
US11907815B1 (en) * | 2019-09-26 | 2024-02-20 | Hrl Laboratories, Llc | System and method for improved generalization from concept constrained dreams |
US11625513B2 (en) * | 2019-09-27 | 2023-04-11 | Zoox, Inc. | Safety analysis framework |
US11734473B2 (en) * | 2019-09-27 | 2023-08-22 | Zoox, Inc. | Perception error models |
US11351995B2 (en) | 2019-09-27 | 2022-06-07 | Zoox, Inc. | Error modeling framework |
CN110830141B (zh) * | 2019-11-26 | 2021-11-16 | 北京小马慧行科技有限公司 | 时间同步方法、系统、存储介质及处理器 |
DE102020101490A1 (de) | 2020-01-22 | 2021-07-22 | Endress+Hauser Conducta Gmbh+Co. Kg | Sensorsystem und Verfahren |
CN111624634B (zh) * | 2020-05-11 | 2022-10-21 | 中国科学院深圳先进技术研究院 | 基于深度卷积神经网络的卫星定位误差评估方法和系统 |
CN111611929A (zh) * | 2020-05-22 | 2020-09-01 | 天津市大清河管理中心 | 基于LiDAR和InSAR技术的河道行洪风险点识别方法、装置、服务器及存储介质 |
US11719828B2 (en) * | 2020-06-30 | 2023-08-08 | Qualcomm Incorporated | Techniques for detection of global navigation satellite system (GNSS) error using motion sensor output |
JP7347373B2 (ja) * | 2020-08-27 | 2023-09-20 | トヨタ自動車株式会社 | インフラセンサ装置の位置較正方法 |
CN112596069B (zh) * | 2020-12-04 | 2024-08-27 | Oppo(重庆)智能科技有限公司 | 距离测量方法及系统、计算机可读介质和电子设备 |
CA3221315A1 (en) * | 2021-06-25 | 2022-12-29 | Landis+Gyr Technology, Inc. | Asset management for utility system maintenance |
DE102021207830A1 (de) * | 2021-07-22 | 2023-01-26 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren zur Steuerungsassistenz eines Fahrzeugs |
US12038499B1 (en) * | 2023-02-24 | 2024-07-16 | Sun Yat-Sen University | Multi-source elevation data fusion method, apparatus, computer device, and medium |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102207389A (zh) * | 2010-03-31 | 2011-10-05 | 爱信艾达株式会社 | 车辆位置识别系统 |
CN107966724A (zh) * | 2017-11-27 | 2018-04-27 | 南京航空航天大学 | 一种基于3d城市模型辅助的城市峡谷内卫星定位方法 |
US20180156923A1 (en) * | 2016-12-02 | 2018-06-07 | Uber Technologies, Inc. | Location accuracy determination based on data from second sensor |
US20180165831A1 (en) * | 2016-12-12 | 2018-06-14 | Here Global B.V. | Pose error estimation and localization using static features |
CN108255171A (zh) * | 2016-12-29 | 2018-07-06 | 百度(美国)有限责任公司 | 用于提高自主驾驶车辆的稳定性的方法和系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5028851B2 (ja) | 2006-04-24 | 2012-09-19 | 株式会社デンソー | 道路情報検出装置及びプログラム |
US8589318B2 (en) | 2011-07-15 | 2013-11-19 | Microsoft Corporation | Location determination using generalized fingerprinting |
US9740944B2 (en) * | 2015-12-18 | 2017-08-22 | Ford Global Technologies, Llc | Virtual sensor data generation for wheel stop detection |
US10060751B1 (en) * | 2017-05-17 | 2018-08-28 | Here Global B.V. | Method and apparatus for providing a machine learning approach for a point-based map matcher |
-
2018
- 2018-10-04 US US16/152,092 patent/US11651244B2/en active Active
-
2019
- 2019-09-30 CN CN201910938639.7A patent/CN111007540A/zh active Pending
- 2019-10-04 EP EP19201406.6A patent/EP3647726A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102207389A (zh) * | 2010-03-31 | 2011-10-05 | 爱信艾达株式会社 | 车辆位置识别系统 |
US20180156923A1 (en) * | 2016-12-02 | 2018-06-07 | Uber Technologies, Inc. | Location accuracy determination based on data from second sensor |
US20180165831A1 (en) * | 2016-12-12 | 2018-06-14 | Here Global B.V. | Pose error estimation and localization using static features |
CN108255171A (zh) * | 2016-12-29 | 2018-07-06 | 百度(美国)有限责任公司 | 用于提高自主驾驶车辆的稳定性的方法和系统 |
CN107966724A (zh) * | 2017-11-27 | 2018-04-27 | 南京航空航天大学 | 一种基于3d城市模型辅助的城市峡谷内卫星定位方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111879322A (zh) * | 2020-06-22 | 2020-11-03 | 北京嘀嘀无限科技发展有限公司 | 一种定位精度的预测方法和系统 |
CN112161633A (zh) * | 2020-09-28 | 2021-01-01 | 北京百度网讯科技有限公司 | 数据处理方法、装置、设备以及存储介质 |
CN112161633B (zh) * | 2020-09-28 | 2022-12-06 | 阿波罗智联(北京)科技有限公司 | 数据处理方法、装置、设备以及存储介质 |
CN113483709A (zh) * | 2021-06-29 | 2021-10-08 | 东风汽车有限公司东风日产乘用车公司 | 车舱内移动终端位移测量方法、电子设备及存储介质 |
CN115390086A (zh) * | 2022-10-31 | 2022-11-25 | 智道网联科技(北京)有限公司 | 用于自动驾驶的融合定位方法、装置及电子设备、存储介质 |
CN116740982A (zh) * | 2023-08-15 | 2023-09-12 | 禾多科技(北京)有限公司 | 目标车位的确定方法、装置、存储介质及电子装置 |
CN116740982B (zh) * | 2023-08-15 | 2023-12-01 | 禾多科技(北京)有限公司 | 目标车位的确定方法、装置、存储介质及电子装置 |
Also Published As
Publication number | Publication date |
---|---|
US11651244B2 (en) | 2023-05-16 |
US20200111011A1 (en) | 2020-04-09 |
EP3647726A1 (en) | 2020-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11651244B2 (en) | Method and apparatus for predicting sensor error | |
US10281285B2 (en) | Method and apparatus for providing a machine learning approach for a point-based map matcher | |
US11410074B2 (en) | Method, apparatus, and system for providing a location-aware evaluation of a machine learning model | |
US11226630B2 (en) | Method and apparatus for estimating a localized position on a map | |
US11263245B2 (en) | Method and apparatus for context based map data retrieval | |
US10984552B2 (en) | Method, apparatus, and system for recommending ground control points for image correction | |
US11003934B2 (en) | Method, apparatus, and system for selecting sensor systems for map feature accuracy and reliability specifications | |
US11215462B2 (en) | Method, apparatus, and system for location correction based on feature point correspondence | |
US11024054B2 (en) | Method, apparatus, and system for estimating the quality of camera pose data using ground control points of known quality | |
US11170485B2 (en) | Method, apparatus, and system for automatic quality assessment of cross view feature correspondences using bundle adjustment techniques | |
US10902634B2 (en) | Method and apparatus for providing feature triangulation | |
US11107235B1 (en) | Systems and methods for identifying data suitable for mapping | |
US11055862B2 (en) | Method, apparatus, and system for generating feature correspondence between image views | |
US10949707B2 (en) | Method, apparatus, and system for generating feature correspondence from camera geometry | |
EP3760975A1 (en) | Method and apparatus for providing inferential location estimation | |
US11699246B2 (en) | Systems and methods for validating drive pose refinement | |
EP3663972A1 (en) | Method and apparatus for providing real time feature triangulation | |
US10970597B2 (en) | Method, apparatus, and system for priority ranking of satellite images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |